具身硬件与前沿科学科普

人形机器人、具身智能、硬核制造与生命科学前沿科普解读。

超写派专栏

WAIC 2026:算力拼集群,智能体拼交付,机器人开始进厂

SSuperAdmin官方主理人2026年11月17日AI 专栏 · SupaWriter 深度研究工作流生成

本届WAIC的核心变化是AI从技术展示转向产业工程化验证。算力竞争焦点从单颗芯片升级为超节点集群,华为现场展示1024张卡的物理集群以证明交付能力;智能体从聊天工具进化为能独立完成任务并量化效率的数字员工;人形机器人则集体进入工厂接受真实场景检验。这些进展共同指向一个判断:AI产业化已进入需要工程化验证的落地阶段。

WAIC 2026:算力拼集群,智能体拼交付,机器人开始进厂

图片

算力竞赛升维:从“单兵”到“军团”,超节点成为新标尺

华为的50万卡野心

今年WAIC的算力展区,华为展台前围得最密的地方,是一台物理上真实存在的机器——Atlas 950 SuperPoD。它不像往年那样只挂一块板卡或播放概念视频,而是把1024张昇腾卡实打实地装进机柜,放在现场运行。

图片

这种展示方式本身就传递了一个信号:算力竞争的重心变了。过去几年,行业习惯用单颗芯片的制程和算力峰值做比较,但大模型训练已经冲破了单卡的物理极限。一个千亿甚至万亿参数模型的训练,需要的是成千上万颗芯片像一台电脑一样协同工作。此时,决定最终训练效率和成败的,不再是单颗芯片跑分多高,而是芯片之间数据互联的带宽、整个集群的散热和供电设计,以及能否在故障出现时快速恢复——这些都是纯粹的工程问题。

华为把1024张卡的物理集群搬到现场,意在证明自己已经跨过了这道工程门槛。它同时公布,基于该超节点的Atlas 950 SuperCluster集群算力规模可扩展至50万卡,并称其为当前“全世界最强算力集群”。这个数字本身并不等于实际性能,但它划出了一条新的竞争标尺:能交付并稳定运行多大体量的集群,才是算力供应商真正的能力证明。

图片

东方算芯的“14nm挑战4nm”意味着什么

另一则引发讨论的消息来自东方算芯。这家上海企业在大会开幕前夕发布了首颗大算力AI芯片DF1000,展台上方直接打出“14nm约等于4nm”的标语。

在先进制程获取受限的背景下,这条“第三条路线”的逻辑是:通过架构和封装层面的创新,用更成熟的14nm工艺去逼近4nm芯片的实际计算表现。如果这一路径跑通,确实能在一定程度上绕开制程封锁,为国产算力提供一条替代性供给线。

但“14nm达到4nm性能”目前仍是厂商的单方面宣称,缺少第三方基准测试的公开验证。更大的不确定性在于,一颗芯片在实验室里的峰值算力,与它在千卡甚至万卡集群中的实际表现是两回事。功耗控制、互联兼容性,以及能否适配主流的AI软件生态,才是决定它能否被大规模采购和部署的关键变量。这些问题的答案,目前还没有到揭晓的时候。

图片

智能体进入“真干活”阶段:从聊天到交付,效率是唯一通行证

西门子Eigen:工业效率提升50%的底气在哪

智能体进入工业场景,首先要解决的不是对话能力,而是交付确定性。西门子在本次大会上首发的Eigen工程智能体,直接绕开了通用聊天这条拥挤的赛道,选择了一个边界清晰、容错率极低的领域:工业自动化工程。

图片

它的工作流程很具体——理解项目需求、编写PLC代码、完成系统配置、持续迭代优化,覆盖了从设计到调试的完整闭环。西门子给出的数据是,工程效率提升50%、方案质量提升80%。这个数字要放在工业自动化的语境里理解:传统上,一个产线控制系统的编程和调试可能需要数周,任何逻辑错误都可能导致停机,损失以分钟计。效率提升50%意味着交付周期被显著压缩,而质量提升80%则指向减少返工和现场修正。

Eigen能做到这一点,不是因为它的语言模型更会聊天,而是因为它封装了西门子数十年积累的工业自动化知识图谱和工作流模板。换句话说,它不是在“思考”怎么编程,而是在一个高度结构化的知识体系内做匹配和生成。这恰恰是当前智能体落地工业最务实的路径——把专业领域的隐性经验显性化,变成可调用的数字资产。

百度搭子:自主拆解任务的通用智能体

与西门子纵向深耕工业不同,百度展示的是一条横向通用的路径。其通用智能体“百度搭子”入选了组委会的“十大镇馆之宝”,现场演示中,工作人员只给了一句指令——“帮我写一份竞品分析报告”,智能体便开始自主拆解任务:先搜索竞品信息,再整理数据,最后生成结构化的报告文档。整个过程无需人工逐步引导。

图片

这背后是大模型规划和工具调用能力的提升。去年的AI助手更多停留在“你问我答”的层面,能总结文档、能翻译,但无法独立完成一个需要多步骤、跨工具协作的任务。百度搭子的变化在于,它从“理解指令”进化到了“规划执行路径”。

但通用智能体面临的挑战也更直接。写一份竞品报告,如果信息源的选择出现偏差,或者对“竞品”的定义理解有误,最终交付的结果可能看起来很完整,却经不起业务推敲。效率提升的度量,在通用场景下远比工业场景模糊。这也是为什么西门子敢给出50%和80%这样精确的数字,而百度搭子目前更多展示的是能力边界,而非量化指标。

两条路径共同指向一个趋势:智能体的价值标准正在从“能对话”迁移到“能交付”。无论是垂直深耕还是横向通用,最终的通行证只有一张——能否带来可量化的效率提升。不过,这些效率数据目前都来自厂商在特定场景下的测试,当任务边界变得模糊、评价标准不再明确时,效果可能会打折扣。同时,当智能体开始独立完成任务,决策失误的责任归属问题,在法律和伦理层面仍然是一片空白。

图片

人形机器人的“变形”与“进厂”:形态创新之后,场景是终极考验

宇树GD01:变形是为了什么

宇树科技在WAIC首发的载人变形机甲GD01,可以在人形和四足之间切换,现场变形过程确实引人注目。但这种形态切换不是炫技。它要解决的是一个很具体的工程矛盾:双足机器人在结构化路面上的通过效率高,但面对碎石、陡坡、楼梯等非结构化地形时,稳定性骤降;四足形态恰恰相反,越障能力强,但在平坦路面上速度和能耗都不占优。GD01的变形,本质上是让一台机器同时覆盖两类地形,而不需要分别部署两台设备。

图片

问题在于,变形结构本身会带来机械复杂度和成本的显著上升。增加一个关节自由度,意味着增加潜在的故障点。如果找不到一个对越障能力有刚性需求、且能承受高成本的应用场景,这种创新就很容易停留在技术演示阶段。目前来看,野外探险、灾难救援、复杂环境巡检可能是少数几个有说服力的方向,但这些场景的规模和付费能力,还远不足以支撑一个量产产品。

从实验室到工厂,人形机器人的产业第一课

图片

本届大会更值得注意的趋势,不是某一款机器的形态有多新颖,而是人形机器人开始集体“进厂”。多家厂商展示了机器人在汽车总装线、3C制造、物流分拣等场景的实际作业视频,不再是实验室里的走路演示。

这个转变背后有清晰的产业逻辑。制造业场景相对结构化,任务边界明确——拧螺丝、搬箱子、目视质检——这些动作的评判标准很清楚,做没做完、做没做错,一眼就能看出来。更重要的是,工厂端有明确的付费意愿:只要能替代一个工人的一个班次,成本账就算得过来。相比之下,家庭服务场景虽然想象空间更大,但环境非结构化、任务多样且模糊,用户对价格的敏感度远高于企业客户。

因此,工厂正在成为人形机器人从0到1落地的试验田。这里的“1”,不是指能走能跑,而是指能在一个具体工位上,以可接受的成本和良率,完成一件有用的事。这是人形机器人必须通过的第一场大考。通过之后,才有资格谈通用场景。

想拥有高效的全自动内容生产力?

SupaWriter 打通热点选题、长文创作、智能语义配图、文章 4 维客观评分与浏览器扩展一键发布,助你提升 10 倍创作效率。